计算机视觉（Computer Vision,CV）领域有四大关键任务:图像检测、图像识别、图像分割以及图像生成,本文主要聚焦于图像生成分支。随着人工智能逐渐发展至认知阶段,生成已成为人工智能发展的关键技术。近年来,图像修复和翻译技术由于具有广泛的应用价值而备受国内外学者的关注。图像修复旨在根据图像中的已知信息恢复出丢失区域的内容,从而使图像在整体和局部区域均保持真实合理。图像翻译旨在将一种图像表征通过深度神经网络转换为另一种图像表征,可以被视为是寻找两个或多个图像域之间的映射关系。目前大多数的相关算法都是针对自然图像进行研究,对于特殊人工图像的关注相对比较匮乏。为了弥补研究空缺,本文基于沃瑟斯坦生成对抗网络对中国古画进行图像修复以及图像翻译的算法研究,具体的研究内容如下:（1）由于中国古画的细节繁多且具有大量不规则的凹凸纹理特征,因此本文提出了一种细节增强型的古画修复模型。首先,本文分析了传统图像修复算法无法解决人工图像修复任务的根本原因,并且针对该问题设计了具有多任务分支结构的修复网络。多任务分支结构通过将修复任务分解为内容和线条两个部分,使得修复网络能有效地关注到图像的细节区域,从而使修复结果在细节上更加逼真自然。另外,本文引入了结构引导机制,该机制允许用户根据个人的偏好参与古画修复的过程,并且本文设计了用户引导实验对该机制进行了验证,结果表明本文提出的模型可以根据用户提供的信息进行个性化修复。最后,本文设计多种损失联合优化模型,并且通过扩展实验进一步验证了模型的通用性以及鲁棒性。（2）传统的图像翻译模型容易使图像的底层结构特征在编码过程中逐渐丢失,从而无法生成纹理清晰的结果。为此,本文引入多种注意力机制并结合多编码器架构,提出了一种新颖的古画上色模型。首先,本文设计了多编码器架构用于降低颜色特征与线条特征融合的难度,从而改善古画上色的效果。其次,本文提出了一种全新的通道注意力机制,该机制使内容编码器能高效地结合与线条特征响应度最大的颜色特征,使上色结果的颜色更加均匀。最后,本文利用带有门控注意力引导的跳跃连接机制辅助内容编码器将底层的显著性特征传递给解码器,从而避免了无效特征对模型的影响。大量的实验表明,本文提出的模型能将参考图像的颜色信息与古画的线条信息进行合理地融合,并且可以有效地保留线条图像的底层不变特征,解决了现有图像翻译模型在特殊人工图像数据集上效果不佳的问题。